题目分析
赛题详情
构建一个模型，根据天气，交通，区域里面的各种设施，以往历史数据，预测未来的某个时间点，某个区域里，打车需求的缺口。整个算法其实就是一个有监督的机器学习的过程。
数据整理
下载后的整个压缩数据包575M，其中包括的订单数据大约900万条。（其他Master表数据量很小，这里忽略不计）
使用MongoDB存储的话，大概使用2GB的空间，全部导入之后，工作用计算机十分卡顿。MongoCola管理软件失去响应。所以，这里的订单按照日期导入。（训练的时候，按照天来训练）注意：官方的订单数据的 订单号 OrderID是主键重复的。这里以第一次出现的订单号的数据为准。
由于数据量非常庞大，所以这里建议将中间的计算结果也放入数据库中备用。
博客园不支持图片放大功能，如果您想更好的查看图片，也可以使用以下网址获得更好的阅读体验:
http://codesnippet.info/Article/Index?ArticleId=00000038
订单数据整理
订单数据整理，主要是整理出各个时段，各个地域的订单数据。
- 时间段
- 地域编号
- 需求数
- 缺口
- 缺口比例
数据整理尽量使用LINQ进行处理，MONGODB查询是消耗时间的！！！，这里数据库只是用作数据的存储不做计算
private void btnImportDB_Click(object sender, EventArgs e)
{
string rootFolder = txtRootDir.Text;
//Order: Root + "order_data"
foreach (var filename in Directory.GetFiles(rootFolder + "\order_data"))
{
if (!filename.Contains("._"))
{
string strDate = filename.Substring(filename.LastIndexOf("_") + 1);
var colname = "Order_" + strDate;
Database.Clear(colname);
var orderlist = new List<Order>();
var read = new StreamReader(filename);
while (!read.EndOfStream)
{
var o = Order.Gernerate(read.ReadLine());
orderlist.Add(o);
}
orderlist = orderlist.Distinct(x => x.order_id).ToList();
Database.InsertRecBatch(orderlist, colname);
var orderGaplist = new List<OrderGap>();
Database.Clear("OrderGap_" + strDate);
for (int time = 1; time < 144 + 1; time++)
{
for (int area = 1; area < 66 + 1; area++)
{
var m = new OrderGap() { DistrictId = area,TimeSlient = time};
m.Total = orderlist.Count((x) => { return x.DistrictID == area && x.TimeSlient == time; });
m.Gap = orderlist.Count((x) => { return x.DistrictID == area && x.TimeSlient == time && x.driver_id == "NULL" ; });
m.GapPercent = m.Total == 0 ? 0 : Math.Round(((double)m.Gap / m.Total) * 100, 2);
orderGaplist.Add(m);
}
}
Database.InsertRecBatch(orderGaplist, "OrderGap_" + strDate);
//暂时只分析一天数据
break;
}
}
}
利用Excel，可视化数据
以下是2016-01-01的数据分析。蓝色的是GAP缺口数，红色的是Total数。
一天24个小时整体需求分布可以看个大概了。
PS 区域1 ：占整体的5.1%订单量，有一定的参考价值
PS 区域5 ：占整体的22.5%订单量，有一定的参考价值
这里看到，整个24小时分布极不均衡。考虑到 01-01 是一个特殊的日子，大家为了跨年而在零点之后选择打车也是可以理解的。
同样的51区域，2016-01-02的情况则比较正常，整体的高峰出现在夜间16：50 - 17：20（评价订单850） 左右。21：10，22：00也是两个小高峰（平均订单720）。
拟合
Gap的预测，是建立在一个拟合函数上的。也有一些机器学习的味道。
总的Gap函数 = 函数(时间,地区)
- TimeID ： 时间片编号
- DistricID：地区编号
- Traffic：交通流量
- Weather：天气
- POI：设施数
百度地图POI说明
注意：每家公司的POI分类都是不同的，这里只是将百度POI做个例子，滴滴打车的POI和百度的POI定义好像是不同的。
交通流量和时间有关，一个地方的拥堵程度和时间有关系
不同的地区，各种设施配置不同。
天气和时间有关。
Gap函数 = 函数(交通拥挤度函数(时间，地区编号)，POI函数(地区编号)，天气函数(时间))
这里可以认为，一个地方的打车人数，交通越堵，则打车的GAP越大。天气不好，打车的人则越多，GAP也越大。设施越多的地方，打车的需求也越多，GAP可能也越大。但是这一切都只是可能性。
（题外话，其实真实的情况也要考虑节假日的问题，在节假日的时候，GAP可能会变大。当然这是一个人文的考量了）
算法
交通拥堵函数：
这里的交通拥堵函数是使用4个等级表示的。
- LV1 20条路 权重8
- LV2 10条路 权重4
- LV3 15条路 权重2
- LV4 05条路 权重1
那么拥堵指数怎么计算呢？这里应该是对每个拥堵哟一个权重，等级越高，权重越大。
拥挤度 = SUM(权重 * 数量）
当然权重也是一个需要训练和拟合的。
（设施数和天气差不多，也是同样考虑的。）
这里有三个指标，每种指标对于整体的影响程度也是需要训练的。
各项指标分析
起始区域差距
以下数据为2016-01-01的数据统计
整体有效订单数：498789（订单ID去重复）
66个区域的订单分布是极其不均衡的.
| MAX | MIN | AVG |
|---|---|---|
| 112023 | 71 | 7557.4 |
排名后33位的，总共只有整体的4.37%的订单
排名前5位的，总共只有整体的50.87%的订单
起始区域POI整体数目和订单数关系
我们将POI总数/30 和订单数一起放到柱状图中发现，POI总数和订单数应该有一些联系。
一个区域POI数越多说明这个地区越是繁华，从这里打车的需求就越多。
任务
- 研究同一时间片，同一地区，按照日期变化，数据的变化。观察天气对数据变化的影响
- 研究同一时间片，不同地区，POI的数量对数据变化的影响
- 研究每个区域的需求量，可能每个区域的需求量基准数值都是差不多的。